Diagnostic Analytics ตัวอย่าง

กลับมาพบกับ Mandala analytics กันอีกเช่นเคยกับความรู้เรื่องเทคโนโลยีที่คุณอาจไม่เคยรู้จากที่ไหนมาก่อน วันนี้จะขอพูดถึง Data Analytics กับการวิเคราะห์เชิงลึก สถิติ และการวิเคราะห์ โดยเป็นกระบวนการวิเคราะห์ข้อมูลที่มีปริมาณมาก เพื่อให้ได้มาซึ่งข้อมูลที่สำคัญและนำไปใช้ประโยชน์ในลำดับต่อไป แต่ก่อนจะเข้าไปสู่เนื้อสาระสำคัญในการวิเคราะห์ Data Analytics เราไปความเข้าใจกันก่อนดีกว่าว่า Big data คืออะไร และมีที่มาที่ไปอย่างไร 

ย้อนเวลากลับไปตั้งแต่ปี ค.ศ. 1997 นักวิทยาศาสตร์ท่านหนึ่งที่ทำงานอยู่ในองค์กรนาซ่า ได้กล่าวถึงปัญหาของการจัดเก็บข้อมูลที่มีจำนวนมากมายมหาศาลเกินหน่วยความจำของคอมพิวเตอร์ หรือเรียกอีกอย่างหนึ่งว่า Big data โดยข้อมูลที่ว่านี้มีความซับซ้อน และมีจำนวนมากเกินขอบเขตที่กำหนด โดยคุณสมบัติของ Big data คือ เป็นข้อมูลที่มีขนาดใหญ่ ข้อมูลมีการเปลี่ยนแปลงอย่างรวดเร็ว และมีโครงสร้างหลายรูปแบบ ต่อมาได้มีการพัฒนาเทคโนโลยีใหม่ๆ ขึ้นมาเพื่อจัดเก็บข้อมูล Big data ไม่ว่าจะเป็นคอมพิวเตอร์ที่มีประสิทธิภาพ Storage /Information Data Center หรือฝากไว้กับผู้ให้บริการ Cloud ต่างๆ เช่น DropBox/ SkyDrive/ Google Drive/ Box.Net เป็นต้น

การนำ Big data มาใช้ประโยชน์ด้วยการดึงเอาข้อมูลเหล่านั้นมาวิเคราะห์ แปลความหมาย และสรุปผลเพื่อใช้ในการตัดสินใจ โดยที่เราจะกล่าวต่อไปนี้ คือ Data Analytics เป็นหนึ่งในวิธีการนำ Big data มาใช้ประโยชน์ในการดำเนินธุรกิจ เช่น การขาย วางแผนกลยุทธิ์ทางการตลาด คาดการณ์แนวโน้ม พฤติกรรมของผู้ซื้อ หรือใช้ในภาคส่วนของรัฐบาล เป็นต้น

หน้าที่ของ Data Analyst

-Reporting : วิเคราะห์ข้อมูล เพื่อทำรายงานเสนอผู้แก่บริหาร ช่วยให้มองเห็นภาพที่ชัดเจนมากยิ่งขึ้น และนำข้อมูลเหล่านั้นไปใช้ประโยชน์ในลำดับต่อไป

-Data Entry : การแปลงข้อมูลให้อยู่ในรูปแบบที่ถูกต้อง และพร้อมนำไปใช้งาน

-Data Mining/Analytic : การวิเคราะห์ข้อมูล โดยการมองหาความสัมพันธ์ของข้อมูล เพื่อนำไปใช้ประโยชน์ต่อไป

-Support : ช่วยสนับสนุนข้อมูลที่สำคัญ เพื่อให้สามารถนำข้อมูลเหล่านั้นไปใช้งานต่อได้ในแผนกหรือหน่วยงานอื่นๆ เช่น การบริหารจัดการลูกค้าสัมพันธ์ (CRM) และ ระบบบริหารจัดการข้อมูล (SAP) เป็นต้น 

-Data Management : การจัดเรียงข้อมูลซับซ้อนทั้งหมด เพื่อแยกประเภท หมวดหมู่ ช่วยให้สามารถดึงข้อมูลออกมาใช้งานได้ง่ายมากยิ่งขึ้น 

ในปัจจุบันอาจไม่จำเป็นต้องวิเคราะห์ข้อมูลเชิงสถิติให้ยุ่งยาก เพื่อให้ได้มาซึ่งข้อมูลที่สำคัญ เมื่อเปรียบเทียบกับสมัยก่อนที่ต้องมานั่งพล็อตกราฟ และทำความเข้าใจเรื่องการอ่านค่าทางสถิติ ไหนจะต้องมานั่งท่องจำสูตรกว่าจะตีความหมายและได้ใจความเนื้อหาสาระสำคัญคงไม่ทันการ ยิ่งสำหรับธุรกิจ ยิ่งต้องตอบสนองการทำงานอย่างทันท่วงที เพราะหากช้าแม้แต่วินาทีเดียว คู่แข่งก็อาจวิ่งแซงหน้าเราไปได้ แต่ในสมัยนี้เทคโนโลยีทุกอย่างล้วนแล้วแต่ถูกสร้างขึ้นมาเพื่ออำนวยความสะดวกสบายให้เรา หนึ่งในนั้นก็คือ การใช้ AI (Artificial Intelligence) เข้ามาช่วยวิเคราะห์ โดยสรุปผลออกมาในรูปแบบของ Data visualization รวม Chart ทุกรูปแบบไม่ว่าจะเป็นแผนภูมิรูปภาพ หรือกราฟต่างๆ เพื่อให้สามารถเข้าใจและมองภาพข้อมูลเหล่านั้นได้ชัดเจนมากยิ่งขึ้น

โดยสามารถแบ่งรูปแบบการวิเคราะห์ข้อมูลได้ ดังนี้ 

การวิเคราะห์ข้อมูลแบบพื้นฐาน (Descriptive analytics) : เป็นการวิเคราะห์ผลลัพธ์จากการกระทำต่างๆ ยกตัวอย่างเช่น ปัจจัยที่มีผลต่อพฤติกรรมการตัดสินใจของลูกค้า การรายงานการขาย หรือรายงานผลการดำเนินการ เป็นต้น 

การวิเคราะห์แบบพยากรณ์ (Predictive analytics) : เป็นการวิเคราะห์โดยนำข้อมูลที่เคยเกิดขึ้นแล้วในอดีตมาพยากรณ์ ทำนายในสิ่งที่กำลังจะเกิดขึ้นในอนาคต ด้วยแบบจำลองทางสถิติ หรือการใช้ AI เทคโนโลยีปัญญาประดิษฐ์มาช่วยในการวิเคราะห์ข้อมูลใน Big data ที่มีจำนวนมากมหาศาล 

การวิเคราะห์แบบเชิงวินิจฉัย (Diagnostic analytics) : เป็นการวิเคราะห์เพื่อใช้อธิบายถึงสาเหตุของสิ่งที่เกิดขึ้น หาความสัมพันธ์ของตัวแปรต่างๆ ยกตัวอย่างเช่น วิเคราะห์ความสัมพันธ์ระหว่างยอดขายต่อกิจกรรมส่งเสริมด้านการตลาด ว่ามีนัยสำคัญที่ทำให้ยอดขายเพิ่มขึ้นหรือลดลงหรือไม่ เป็นต้น 

การวิเคราะห์แบบให้คำแนะนำ (Prescriptive analytics) : การวิเคราะห์ในลักษณะนี้ค่อนข้างมีความซับซ้อนมากที่สุด เพราะเป็นการพยากรณ์สิ่งที่กำลังจะเกิดขึ้นเพื่อหาสาเหตุ ข้อดี ข้อเสีย และมีเรื่องของระยะเวลาเข้ามาเกี่ยวข้อง เพื่อให้คำแนะนำหรือเลือกผลลัพธ์ที่ดีที่สุด อีกทั้งยังวิเคราะห์ได้ว่าในการเลือกแต่ละแนวทาง จะให้ผลลัพธ์เป็นไปในทิศทางใดบ้าง

โดย Data Analytics นั้นจะแบ่งเป็น 5 ระดับ ได้แก่ Descriptive, Diagnostic, Predictive, Prescriptive, Cognitive & AI แต่ในวันนี้เราจะขอพูดถึง Cognitive & AI ซึ่งเป็นการนำเทคโนโลยี AI มาใช้วิเคราะห์ข้อมูลเรียกได้ว่าเป็นขั้นสูงสุดของการวิเคราะห์ Analytics Maturity

โดย Analytics Maturity เป็นการวิเคราะห์ในรูปแบบของการให้คำแนะนำ (Prescriptive analytics) ซึ่งจะบอกสาเหตุ และวิธีการว่าควรทำอะไรในลำดับต่อไป เพื่อใช้ในการวางแผนรับมือกับปัญหาที่เกิดขึ้น เรียกว่า Integration of Business Actions and Problem to Data Patterns ซึ่งเป็นการคาดการณ์สิ่งที่จะเกิดขึ้น ทั้งในทางบวกและทางลบ หากเป็นไปในทิศทางบวก จะทำให้สามารถวางแผนเพื่อรับมือได้ หรือหากเป็นไปในทิศทางลบก็จะได้หาแนวทางป้องกันหรือแก้ไขต่อไป เพื่อให้เกิดความเสียหายน้อยที่สุด โดยการวิเคราะห์ในลักษณะนี้จะช่วยเพิ่มมูลค่าให้กับธุรกิจ (Business Value) หากสามารถนำไปประยุกต์ใช้ได้อย่างมีประสิทธิภาพ 

ในปัจจุบันจะเห็นได้ว่าพฤติกรรมการเข้าใช้งานโลกออนไลน์เพิ่มมากขึ้นเรื่อยๆ ในแต่ละปี Big data ที่จัดเก็บพฤติกรรมต่างๆ หากสามารถนำข้อมูลเหล่านี้มาวิเคราะห์เพื่อหาความสัมพันธ์หรือเชื่อมโยงความเป็นเหตุเป็นผลซึ่งกันและกันได้นั้น จะช่วยให้สามารถปรับปรุงการดำเนินธุรกิจ วางแผนด้านการตลาด เพื่อให้ได้เปรียบคู่แข่ง หรือสร้างโอกาสทางธุรกิจได้เพิ่มมากยิ่งขึ้น

Diagnostic Analytics คืออะไร

Predictive Analytics มีอะไรบ้าง

ข้อใดเป็นการวิเคราะห์ข้อมูลแบบ Diagnostic Analytics

ข้อใดเป็นรูปแบบการวิเคราะห์ข้อมูลแบบ Predictive